T大脑是复杂的;在人类中,它由大约1000亿个神经元组成,产生100万亿数量级的连接。它经常被拿来与另一种具有巨大解决问题能力的复杂系统相比:数字计算机。大脑和计算机都包含大量的基本单元——分别是神经元和晶体管——它们被连接到复杂的电路中,处理由电信号传递的信息。在全球层面上,大脑和计算机的结构彼此相似,由很大程度上独立的输入、输出、中央处理和记忆电路组成。1
哪个解决问题的能力更强——大脑还是电脑?鉴于计算机技术在过去几十年的快速发展,你可能会认为计算机具有优势。事实上,计算机已经被建造和编程,以在复杂的游戏中击败人类大师,比如上世纪90年代的国际象棋和最近的围棋,以及百科全书式的知识竞赛,比如电视节目危险然而,在写这篇文章的时候,人类在许多现实世界的任务中战胜了计算机——从在拥挤的城市街道上识别一辆自行车或一个特定的行人,到拿起一杯茶并顺利地把它端到嘴边——更不用说概念化和创造力了。
那么,为什么计算机擅长某些任务,而大脑却更擅长其他任务呢?计算机和大脑的比较对计算机工程师和神经学家都有启发意义。这种对比始于现代计算机时代的开端,在一本短小精深的书中,书名为计算机和大脑约翰·冯·诺伊曼(John von Neumann)是一位博学多才的人,他在20世纪40年代率先设计了一种计算机架构,这种架构至今仍是大多数现代计算机的基础。2让我们看看一些数字上的比较(表1)。
在基本运算速度方面,计算机比人脑有巨大的优势。3.现在的个人计算机能够以每秒100亿次的速度完成基本的算术运算,例如加法运算。我们可以通过神经元之间传递信息和交流的基本过程来估计大脑中基本操作的速度。例如,神经元“激发”动作电位——神经元细胞体附近发出的电信号尖峰,并通过轴突传递下去,轴突与下游的伙伴神经元相连。信息被编码在这些尖刺的频率和时间上。神经元放电的最高频率约为每秒1000次。另一个例子是,神经元将信息传递给它们的同伴神经元,主要是通过轴突末端的特殊结构(称为突触)释放化学神经递质,它们的同伴神经元将神经递质的结合转化为电信号,这一过程称为突触传递。最快的突触传输大约需要1毫秒。因此,无论是在脉冲还是突触传输方面,大脑每秒最多能执行1000次基本操作,比计算机慢1000万倍。4
在基本操作的精确度上,计算机也比大脑有巨大的优势。计算机可以根据分配给每个数字的比特(二进制数字,或0和1)以任何期望的精度表示数量(数字)。例如,32位数字的精度是1 / 232或42亿。经验证据表明,最大量的神经系统(例如,神经元的放电频率,这通常是用来表示刺激的强度)变化的几个百分点由于生物噪声,或精度1 100年在最好的情况下,这是millionsfold比一台电脑。5
一个职业网球运动员可以以160英里每小时的速度追踪球的轨迹。
然而,大脑执行的计算既不慢也不是不精确的。例如,专业的网球播放器可以在每小时160英里的速度下服务后遵循网球的轨迹,转向球场上的最佳位置,定位他或她的手臂,并将球拍摆动到return the ball in the opponent’s court, all within a few hundred milliseconds. Moreover, the brain can accomplish all these tasks (with the help of the body it controls) with power consumption about tenfold less than a personal computer. How does the brain achieve that? An important difference between the computer and the brain is the mode by which information is processed within each system. Computer tasks are performed largely in serial steps. This can be seen by the way engineers program computers by creating a sequential flow of instructions. For this sequential cascade of operations, high precision is necessary at each step, as errors accumulate and amplify in successive steps. The brain also uses serial steps for information processing. In the tennis return example, information flows from the eye to the brain and then to the spinal cord to control muscle contraction in the legs, trunk, arms, and wrist.
但大脑还采用大规模平行的加工,利用大量神经元和大量连接每根神经元制造。例如,移动网球在视网膜中激活许多称为光感受器的细胞,其工作是将光转换为电信号。然后将这些信号与视网膜中的许多不同种类的神经元并联。由源自感光体细胞的时间信号已经通过了视网膜中的两到三个突触连接,关于球的位置,方向和速度的信息已经通过并联神经元电路提取,并与大脑平行传输。同样地,电动机皮质(负责激活电机控制的大脑皮层的一部分)并联发送命令,以控制腿部,躯干,臂和手腕中的肌肉收缩,使得身体和臂同时良好的定位到接收到来电。
你的大脑处于混乱的边缘
在一个重要的方面,心脏移植的接受者忽略了它的新器官:它的神经系统通常不会重新连接以与之通信。控制心脏的40000个神经元运行得如此完美,并且是如此独立,以至于心脏。。。阅读更多
这种大规模并行策略是可能的,因为对于哺乳动物神经元来说,每个神经元从许多其他神经元收集输入,并将输出平均发送到1000个左右。(相比之下,每个晶体管只有三个节点用于输入和输出。)来自单个神经元的信息可以传递到许多平行的下游路径。同时,许多处理相同信息的神经元可以将其输入汇集到同一下游神经元。后一个特性对于提高信息处理的精度特别有用。例如,由单个神经元表示的信息可能有噪声(例如,精度为1/100)。通过对100个携带相同信息的神经元的输入进行平均,共同的下游伙伴神经元可以以更高的精度表示信息(在这种情况下约为1000分之一)。6
计算机和大脑在基本单元的信号传递方式上也有相似之处和不同之处。晶体管采用数字信号,使用离散值(0和1)来表示信息。神经元轴突上的尖刺也是一种数字信号,因为神经元在任何给定的时间发出或不发出尖刺,当它发出时,所有尖刺的大小和形状都大致相同;这一特性有助于可靠的长距离尖峰传播。然而,神经元也利用模拟信号,使用连续值来表示信息。有些神经元(像我们视网膜上的大多数神经元)是非尖峰的,它们的输出是通过分级电信号传输的(不同于尖峰信号,它的大小可以连续变化),这种信号比尖峰信号传输更多的信息。神经元的接收端(接收通常发生在树突)也使用模拟信号来整合多达数千个输入信号,使树突能够执行复杂的计算。7
你的大脑比电脑慢1000万倍。
大脑的另一个突出的属性,这是明显的从网球接发球的例子,是神经元之间的连接强度可以被修改以应对活动和——的过程,是由神经学家普遍认为是学习和记忆的基础。重复训练可以使神经元回路更好地配置,以适应正在执行的任务,从而大大提高速度和精度。
在过去的几十年里,工程师们从大脑中汲取灵感来改进计算机设计。并行处理的原理和连接强度的使用依赖性修改已被纳入现代计算机。例如,增加并行性,例如在一台计算机中使用多个处理器(核),是当前计算机设计的趋势。另一个例子是,机器学习和人工智能学科的“深度学习”受到哺乳动物视觉系统发现的启发,近年来取得了巨大成功,在计算机和移动设备的物体和语音识别方面取得了快速进展。8与哺乳动物的视觉系统一样,深度学习采用多个层次来表示日益抽象的特征(例如,视觉对象或语音),不同层次之间连接的权重通过学习进行调整,而不是由工程师设计。这些最新进展扩大了计算机能够执行的任务的范围。尽管如此,大脑比最先进的计算机具有更高的灵活性、通用性和学习能力。随着神经科学家发现更多关于大脑的秘密(越来越多地借助于计算机的使用),工程师可以从大脑的工作中获得更多的灵感,以进一步改进计算机的结构和性能。无论哪一方在特定任务中胜出,这些跨学科交叉融合无疑将推动神经科学和计算机工程的发展。
Liqun Luo是在斯坦福大学的人文科学学院教授,教授,神经生物学的礼貌。
提交人希望感谢Ethan Richman和Jing Xiong批评和David Linden进行专家编辑。
罗立群著,载于智库:四十科学家探索人类体验的生物根源,David J. Linden编辑,耶鲁大学出版社出版。
脚注
1.本文从罗,L.介绍章节的一部分组合起来。神经生物学原理(Garland Science, New York, NY, 2015)。
2.冯·纳米曼,J.计算机和大脑(耶鲁大学出版社,纽黑文,CT,2012年),第三版。
3.Patterson, D.A. & Hennessy, J.L.计算机组织与设计(爱思唯尔,阿姆斯特丹,2012),第四版。
4.这里的假设是算术运算必须将输入转换为输出,因此速度受到神经元通信基本操作的限制,如动作电位和突触传递。这些限制也有例外。例如,具有电突触(神经元之间不使用化学神经递质的连接)的非刺激神经元原则上可以比大约1毫秒的极限更快地传输信息;树突局部发生的事件也是如此。
5.噪音可以反映许多神经生物学过程,例如神经递质释放,是概率的。例如,相同的神经元可能不会在反复试验中响应相同的刺激而不会产生相同的尖峰模式。
6.假设每个输入的平均值(σ平均值)的标准偏差近似于噪声(它反映了分布的宽度,与平均值的单位相同)。平均n独立输入,平均值的预期标准偏差是Σmean=σ/√•n.在我们的例子中,σ = 0.01,并且n= 100;因此σ均值= 0.001。
7.例如,树突可以充当重合探测器,对来自许多不同上游神经元的接近同步的兴奋性输入进行求和。他们还可以从兴奋性输入中减去抑制性输入。某些树突中电压门控离子通道的存在使它们能够表现出“非线性”特性,例如电信号的放大而不是简单的叠加。
8.李国强,李国强,李国强。深度学习。自然521,436-444(2015)。
主要艺术学分:照片12/贡献者/盖蒂图片;维基百科
本文最初发表于2018年4月的“联系”问题。